一种能量枢纽优化配置方法及系统与流程

1.本发明涉及一种能量枢纽优化配置方法及系统，属于专用于资源管理目的的数 据处理系统。


背景技术：

2.随着环境污染问题恶化以及化石燃料的短缺，提高对多种类型能源的综合利用 效率、降低污染物的排放已成为我国构建清洁低碳、安全高效的现代能源体系 需要解决的关键问题。将可再生能源集成至多能互补的综合能源系统，是应对 其出力随机性的有效解决方案。作为综合能源系统的抽象数学模型，能量枢纽 (energy hub,eh)定义为一种对不同能量流进行生产、转换、储存和消耗的框 架，eh内部能量产生方式的多样化以及消费形式的灵活化使eh源侧及需求侧 同时存在强不确定性。
3.综合需求响应(integrated demand response，idr)将传统单一形式的电力需求 响应拓展到多能系统，可利用“多能互补”引导用户更加灵活的参与电网“削 峰填谷”。现有研究在关注多能互补系统中源荷双侧不确定性问题时忽略了用户 侧idr不确定性的影响，并且尚未建立成熟的idr随机响应量分析机制。


技术实现要素：

4.为解决上述技术问题，本发明提供了一种能量枢纽优化配置方法，该能量枢纽 优化配置方法能充分考虑用户侧综合需求响应(idr)不确定性的影响问题， 解决综合需求随机响应问题，不依赖于事先假定的参数分布形式，可直接根据 历史数据拟合出概率密度函数，相比传统参数估计更具适用性，可以兼顾源荷 双侧季节相关性。
5.本发明通过以下技术方案得以实现。
6.本发明提供的一种能量枢纽优化配置方法，包括如下步骤：
7.建场景：基于电力源和负荷的历史数据，建立源
‑
荷双侧典型日场景；
8.建模：基于源
‑
荷双侧典型日场景，加入目标函数和约束条件建立eh规划配置 优化双层模型；
9.求解：用cplex求解器求解eh规划配置优化双层模型，得到最优配置结果并 执行。
10.所述电力源和用电负荷的历史数据，为按季节分类的风速数据和用电负荷数 据。
11.所述源
‑
荷双侧典型日场景采用如下步骤建立：
12.①
建立函数：基于copula方法建立各时段的风速
‑
负荷联合概率分布函数；
13.②
场景消减：先对风速
‑
负荷联合概率分布函数进行采样并对采样结果进行逆变 换，得到具有相关性的模拟数据序列，然后进行反变换生成场景树，并采用快 速前代法进行场景消减得到源
‑
荷双侧典型日场景。
14.所述步骤
①
中，copula函数采用frank copula函数。
15.所述对风速
‑
负荷联合概率分布函数进行采样，为采用阿基米德copula函数抽 样方法。
16.所述目标函数的目标是年综合运行费用最少，费用包括年安装成本cin，运行 维护成本com，能耗成本cec和排放成本cem。
17.所述约束条件包括功率平衡约束、购售能量约束、常规设备运行约束、储能设 备运行约束和可靠性约束。
18.所述eh规划配置优化双层模型包括上层和下层，上层求解0
‑
1状态变量，确 定eh系统内设备配置情况，根据上层离散变量求解连续变量，确定设备小时 出力情况。
19.所述上层采用量子遗传算法求解，并根据下层求解结果进行迭代；所述下层采 用cplex求解器求解。
20.本发明还提供一种能量枢纽优化配置系统，包括存储器和处理器；
21.所述处理器用于执行所述存储器内存储的计算机程序，以实现权利要求1
‑
9任 一项所述的能量枢纽优化配置方法。
22.本发明的有益效果在于：能充分考虑用户侧综合需求响应(idr)不确定性的 影响问题，解决综合需求随机响应问题；不依赖于事先假定的参数分布形式， 可直接根据历史数据拟合出概率密度函数，相比传统参数估计更具适用性，可 以兼顾源荷双侧季节相关性；能综合考虑投资经济性与运行经济性两方面，在 保证投资成本最优的同时减小用户用能及间歇性电源出力不确定性对系统配置 结果的影响，使系统经济、环保运行。
附图说明
23.图1是本发明一种实施例的流程示意图；
24.图2是本发明一种实施例中电力源和负荷的历史数据的概率密度分布图；
25.图3是本发明一种实施例中建立源
‑
荷双侧典型日场景过程所中场景消减步骤的 采样数据示意图。
26.具体实施方式
27.下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。
28.如图1所示的一种能量枢纽优化配置方法，包括如下步骤：
29.建场景：基于电力源和负荷的历史数据，建立源
‑
荷双侧典型日场景；
30.建模：基于源
‑
荷双侧典型日场景，加入目标函数和约束条件建立eh规划配置 优化双层模型；
31.求解：用cplex求解器求解eh规划配置优化双层模型，得到最优配置结果并 执行。
32.所述电力源和用电负荷的历史数据，为按季节分类的风速数据和用电负荷数 据。
33.所述源
‑
荷双侧典型日场景采用如下步骤建立：
34.①
建立函数：基于copula方法建立各时段的风速
‑
负荷联合概率分布函数；
35.②
场景消减：先对风速
‑
负荷联合概率分布函数进行采样并对采样结果进行逆变 换，得到具有相关性的模拟数据序列，然后进行反变换生成场景树，并采用快 速前代法进行场景消减得到源
‑
荷双侧典型日场景。
36.所述步骤
①
中，copula函数采用frank copula函数。
37.所述对风速
‑
负荷联合概率分布函数进行采样，为采用阿基米德copula函数抽 样
方法。
38.所述目标函数的目标是年综合运行费用最少，费用包括年安装成本cin，运行 维护成本com，能耗成本cec和排放成本cem。
39.所述约束条件包括功率平衡约束、购售能量约束、常规设备运行约束、储能设 备运行约束和可靠性约束。
40.所述eh规划配置优化双层模型包括上层和下层，上层求解0
‑
1状态变量，确 定eh系统内设备配置情况，根据上层离散变量求解连续变量，确定设备小时 出力情况。
41.所述上层采用量子遗传算法求解，并根据下层求解结果进行迭代；所述下层采 用cplex求解器求解。
42.本发明还提供了一种能量枢纽优化配置系统，包括存储器和处理器；
43.所述处理器用于执行所述存储器内存储的计算机程序，以实现权利要求1
‑
9任 一项所述的能量枢纽优化配置方法。
44.实施例1
45.采用上述方案，具体采用如图1所示的步骤流程如下：
46.步骤1：风电出力
‑
基线负荷不确定性分析
47.结合非参数核密度估计kde方法与copula理论，描述风电出力与与用户基线 用电负荷之间的不确定性关系，可在描述变量不确定性数据特征的同时可以兼 顾二者之间的季节相关性。具体过程如下：
48.(1)数据预处理及样本相关性测度计算
49.①
按季节对历史数据(以小时为采样间隔)进行分类，以春季为例如图2所 示，，x
ti
,y
ti
为当季t时段在第i天的风速、负荷样本；
50.②
设二维随机向量(x,y)为可再生能源出力与用电负荷二元变量，(x
i
,y
i
)为样本 中的观测值。计算两随机变量的kendall秩相关系数τ，判断是否存在相关关 系。当kendall秩相关系数τ≠0时，可以使用下述方法建立二元随机变量的相 关性模型。
51.(2)采用核密度估计法确定边缘分布：
52.①
选取最优窗宽及合适的核函数，由于不同核函数对估计结果影响不大，本例 选择高斯函数作为核密度估计的核函数。
53.②
设x
ti
、y
ti
为按季度分类的t时段当季风速、负荷在第i天的样本，设t时风速 及负荷的概率密度函数分别为f
wt
(x
t
),f
load
(y
t
)，则其核密度估计分别为：
[0054][0055]
式中n为样本个数，样本数据根据季节分类，认为每个季节n＝90d；h为带 宽；t取1～24h；k(u)为核函数，
[0056]
③
分别对概率密度函数的核密度估计积分，可得变量的边缘分 布函数f
wt
(x
t
),f
load
(y
t
)。
[0057]
(3)基于copula函数的相关性模型构造
[0058]
①
确定最优copula函数，计算可得风速与负荷的的kendall秩相关系数τ
[0059]
>0，二者存在弱正相关关系，因而选择可兼顾变量非负和负相关关系的frank copula函数描述风速与负荷的相关结构；
[0060]
②
采用极大似然法估计copula分布函数中未知参数θ，其估计式为：
[0061][0062]
式中，m为样本容量，为frank copula函数中未知参数θ的估计值。
[0063]
③
以春季为例，对于每个时段的两随机变量时段边缘分布，建立基于copula理 论的风速
‑
负荷联合概率分布函数。得到各时段风速
‑
负荷联合概率分布函数如 下：
[0064][0065]
式中，为生成元，选择frank copula函数为copula函数时，其生成元为 (x)＝(―ln e
―θ
)―(ln e
―θx
―1)。
[0066]
(4)对copula函数抽样并进行场景消减。
[0067]
①
根据阿基米德copula函数抽样方法，对各时段的联合概率分布函数进行采样 如图3所示，并根据风速与负荷各自的边缘分布f
wt
(x
t
),f
load
(y
t
)后将生成的 随机数向量进行逆变换，即可得到各个时段满足copula函数具有相关性的模拟 风速、负荷序列。
[0068]
②
对采样结果反变换生成场景树。为降低模型求解的计算量，采用快速前代场 景消除技术(fast forward reduction)对不确定性场景进行场景消减，最终得到源
‑
荷双侧典型日场景。
[0069]
相比于传统参数估计结合蒙托卡罗抽样方法的不确定场景生成方法，上述方法 更贴合变量的实际不确定性特征；同时采用copula理论构建的风电出力
‑
负荷 联合分布反映了二者之间的季节相关性。
[0070]
步骤2：综合需求响应不确定性分析
[0071]
以步骤1中产生的用电负荷不确定性场景为基线负荷，基于基线负荷和负荷弹 性系数双重不确定性的综合需求随机响应量计算方法如下：在多能互补的eh 系统中，可将分时电价概念扩展至不同种类型能源价格，基于多能源负荷弹性 系数计算价格型idr响应量。将idr中一部分不能被其他种类的能源替代的用 电需求称为常规电负荷；对于空调制热及电热水器制热等用电需求，在峰值电 价时段通过供电价格与供热价格比较，用户可选择直接使用eh供热替代，将 此部分负荷称为可替代负荷，则两种响应形式的响应率为：
[0072][0073]
式中ε
e,t
、ε
h,t
分别为电负荷及热负荷弹性系数；为电价变化率；表示t 时段电能与热能间的价格差异；分别为t时段电负荷响应率及热负荷 响应率，对于消费者而言，响应量并不总能随意调整，而是存在一定的固定负 荷比率，一般住宅用户应满足：
[0074][0075]
idr响应量可表示为基线负荷l
e,t
与响应率的乘积，则t时段idr响 应量为：
[0076][0077][0078]
上式中s、t表示时间，s、t＝1,2,3,
…
,24；t
→
s表示t时刻向s时段转出电负荷， 常规电负荷响应量表示为本时刻转出负荷与其他时刻转入负荷之差；由于供热 价格不随时间变动，因而认为t时段可替代负荷只能由本时间段内热负荷替 代。
[0079]
实际过程中，与传统价格型dr的不确定性类似，idr不确定性同样来源于以 下两个方面：负荷弹性系数的不确定性和基线负荷的不确定性，基线负荷l
e,t
的 不确定性由上一节中的不确定场景生成方法描述；影响负荷弹性系数ε
e,t
、ε
h,t
的因素较多，且此类参数历史数据较少，因而使用正太分布描述其不确定性， 其概率密度函数下：
[0080][0081]
式中μ,σ分别表示负荷弹性系数的均值与标准差，使用拉丁超立方采样技术 (lhs)对其进行抽样得到用户响应情况后，即可根据响应情况上述得到的用 户负荷曲线进行更新。
[0082]
步骤3：建立考虑综合需求响应不确定性的eh配置及优化运行双层模型
[0083]
步骤3
‑
1：目标函数
[0084]
本发明规划对象主要考虑能源转换及存储设备等组件的配置容量及配置方式， 规划设计目标是使枢纽年综合运行费用最少，考虑不确定性的年综合运行费用 由年安装成本c
in
，运行维护成本c
om
，能耗成本c
ec
，排放成本c
em
几部分组 成，则目标函数为：
[0085]
min f＝(c
in
+c
om
+c
ec
+c
em
)
ꢀꢀ
(9)
[0086]
(1)全生命周期成本
[0087]
通过等额分付资本回收计算，可将设备初始安装投资成本折算至年投资成本：
[0088][0089]
式中，p
i,max
为设备i的安装容量；c
ii
为设备i的单位容量初始安装成本；i
i
为确 定设备安装状态的0
‑
1变量，i
i
＝1时设备i为规划策略计划安装的设备，否则 设备i未安装；r0为基准折现率，m为设定规划运行年限。
[0090]
(2)运行维护成本
[0091][0092]
k为不确定性场景个数；p
uc
为场景uc出现的概率，为对应场景中设备i在t 时刻的输出功率；c
oi
为设备的单位容量运行维护成本。
[0093]
(3)能耗成本
[0094]
本文将枢纽从网络购能的支出与枢纽向网络售电盈利的差额作为系统的能耗成 本，表示为：
[0095][0096]
式中，分别表示t时刻的购电价格、购气价格以及售电价格；
分别为当前场景中t时刻购电功率、购气功率以及售电功率。
[0097]
(4)排放成本
[0098][0099]
式中，π
em
为co2、so2、no2单位容量排放成本参数矩阵，ef
net
,ef
chp
,ef
gb
分别为网购电、chp以及锅炉排放因子；分别为网购电 量、chp及gb发电量。
[0100]
步骤3
‑
2：约束条件
[0101]
在求解目标函数时需考虑的约束条件主要包括：能源转换约束、设备出力约 束、电力/天然气平衡约束等。
[0102]
(1)功率平衡约束
[0103]
基于能量枢纽的数学模型可得系统电、气、热子系统母线功率平衡如下：
[0104][0105]
式中为t时刻未供应电量；l
e,t
(uc),l
h,t
为t时段用户侧用电负荷、热负荷需 求；为t时段风力发电出力，为t时段网购电量，为t时段燃气 锅炉发电量，为t时段电池放电量与充电量之差，为t时段电池放电量与充电量之差，为考虑不确定性的idr响应量。用户直接需求的固定天然气负荷不经过能量 枢纽主要耦合设备而由天然气网络直接供给，因而不涉及在配置及优化运行计 算中。式中源荷不确定场景变量l
e,t
(uc)及idr随机响应量(uc)及idr随机响应量由步骤二计算得出。
[0106]
(2)购售能量约束
[0107][0108]
式中，分别为eh从购电、购气、售电功率上限； 为表示是否从电网购售电的0
‑
1变量，购售电不同时发生。
[0109]
(3)常规设备运行约束
[0110][0111]
设备i的运行容量p
ti
应小于设备安装容量且大于最低允许值
[0112][0113]
chp机组应满足热电比约束，分别为热电比最大最小值。
[0114][0115]
对于配电网、燃气轮机及燃气锅炉，其功率变化量需介于爬坡上下行约束值 之间。
[0116][0117]
含高渗透率可再生能源的多能系统在优化配置中需预留旋转备用容量以应对极 端情况，式中，为各设备供能功率上限，r
t
为系统总备用容量。
[0118]
(4)储能设备运行约束
[0119]
储能设备受到储能装置容量及充放能容量约束，以电储能为例：t时刻电储能充 放电容量为充电量与放电量差值；为表征t时刻储能电池是否 充放电的0
‑
1变量，充放电不同时发生；储能装置剩余电量应小于储能充 满时的电量且大于最小剩余容量具体约束如下：
[0120][0121]
同理，热储能也应满足上述约束关系。
[0122]
(5)可靠性约束
[0123]
设置等效损耗因子(equivalent loss factor,elf)表征系统可靠性，elf定义为 全年未供应电量与需求电量l
e,t
(uc)之比，未供应电量比率应小于允许的损 耗因子最大值elf
max
。
[0124][0125]
步骤4：确定双层模型求解策略
[0126]
对eh规划配置与优化运行问题双层模型求解的具体方法为：由于上述约束条 件中存在二进制离散变量与连续变量的乘积，使得规划问题成为minlp(混合 整数非线性规划)问题，本发明将minlp问题分解为双层问题求解：上层求 解0
‑
1状态变量，确定eh系统内设备配置情况，为避免传统遗传算法处理离 散变量容易陷入局部最优解，故使用量子计算与遗传算法结合的量子遗传算 法，增加染色体变化的可能性；下层根据上层离散变量求解连续变量，确定设 备小时出力情况，再将求解结果返回上层，经过量子旋转门遗传变异，产生新 一代上层变量群体，上下层结果不断迭代直至得到全局最优解。为保证计算效 率，下层使用cplex求解器求解。cplex求解器从matlab环境的 yalmip工具箱调用，或从gams软件调用，或从其他库或工具箱调用均可。 模型求解前，首先产生源荷双侧不确定性场景，并以idr响应量对用电负荷曲 线进行更新，将更新后的源荷双侧曲线作为模型的输入。由此，本发明将考虑 idr响应量不确定性的eh规划问题转化为双层规划模型，上层确定eh设备 配
置情况，下层确定日优化运行能量分配情况。
[0127]
步骤5：确定算例
[0128]
采用cplex求解器对算例进行仿真分析，验证所提模型的有效性及合理性。
[0129]
验证例1
[0130]
选取四种方案进行对比分析，其中：
[0131]
方案一采用传统供能方式，电、热需求分别由配电网及燃气锅炉供给，且不考 虑不确定性及需求响应；
[0132]
方案二、三、四采用集成新能源发电的能源枢纽运行方式，按照风力发电、 chp机组、电储能与配电网的优先级组合供电，chp机组及燃气锅炉供热， 方案二仅考虑风力发电不确定性，采用集成新能源发电的能源枢纽运行方式供 电；
[0133]
方案三仅考虑用电侧不确定性，采用集成新能源发电的能源枢纽运行方式供 电；
[0134]
方案四采用上述方案，综合考虑供需双侧不确定性及热/电综合需求响应不确定 性，采用集成新能源发电的能源枢纽运行方式供电。
[0135]
在intel core i5
‑
3230m cpu@2.60ghz、内存4gb的计算机上运行计算，将 上述生成的不确定性场景带入四种方案进行求解，得到每种方案对应的系统配 置结果如表1所示，所需运行费用如表2所示。
[0136]
表1设备选型及容量配置结果
[0137][0138]
表2规划方案成本对比
[0139][0140]
结合表1、表2可以看出方案一采用传统供能方式，需要安装大容量燃气锅炉及 变压器以满足热负荷及电负荷需求但无需能量转换设备，因而投资成本最低，不 考虑可再生能源供能，因而系统能耗成本及排放成本最高。考虑到平抑风电侧强 不确定性影响使得方案二所需的电储能、热储能台数最多，同时需要大容量chp 机组确保供能质量，chp机组的单位容量投资较高，因而方案二的投资成本最 高；而用户用能习惯对比风速变化不确定性
较小，因而方案三需要投入的设备备 用容量变小，同时电储能、热储能台数减少，系统投资成本较方案二降低30.6％； 风电强不确定性使得方案二平缓净负荷曲线所需的购电量更多，因而能耗成本方 案三相比方案二下降17.7％，且排放成本更低；方案四用户侧综合需求响应行为 的加入一定程度上抑制了源荷双侧的不确定性，对chp机组容量依赖降低，投 资成本较方案二小幅度减少，综合需求响应平缓用电负荷曲线使方案四购电量减 少，运行成本相比方案二降低9.74％；方案四相比方案三，综合考虑了供需双侧 及热/电综合需求响应三方面不确定性，更贴近实际工况。
[0141]
从用户idr响应行为波动程度对枢纽经济性的影响进行分析，调整负荷弹性系 数ε
e,t
、ε
h,t
的采样方差，得到能量枢纽年综合运行成本变化趋势：负荷弹性系数 受用户意愿、政策引导等多种因素影响，因而在一定范围内减小ε
e,t
的采样方差， 可认为用户参与需求响应的不确定性降低，系统所需设备备用容量减小，枢纽年 综合运行成本随之明显下降；热负荷弹性系数ε
h,t
的采样方差变化对年综合运行 成本的影响较小，只有当ε
e,t
方差较大时，随ε
h,t
采样方差增加，综合成本小幅度 降低；而当ε
e,t
的采样方差继续降低，扩大ε
h,t
的方差，枢纽综合运行成本变化幅 度较小，主要原因在于ε
e,t
较小时，参与idr的负荷量基本稳定，与设备备用容 量减小给系统带来的收益相比，热能替代响应方式产生的削峰填谷收益较小，已 经不能使系统综合经济成本发生显著变化。
[0142]
由此可见，使用非参数密度估计与copula理论描述源荷双侧不确定性概率模 型，改进了传统源荷双侧不确定性模型使用参数估计难以对实际参数精确拟合 的缺点；计算表明源荷双侧存在季节相关性，结合copula理论可以兼顾源荷双 侧季节相关性。
[0143]
其次，基于基线负荷和负荷弹性系数双重不确定性，提出的电/热综合需求随机 响应量计算方法。在讨论了idr响应量确定性的基础上，得出源荷不确定性模 型。最后对实例进行仿真测试，仿真结果表明，在只考虑可再生能源发电侧与 用户负荷侧不确定性情况下，系统年运行成本明显增加，但计及综合考虑电/热 idr响应量一定程度上可以抑制风电出力以及负荷波动，平抑净负荷曲线，同 时使运行、排放成本降低。因而本发明明显有利于提升系统经济性及环保性。